提示词最佳实践（二）：Prompt迭代优化策略

最近读到智谱AI分享的prompt最佳实践，有不少启发，顺手整理成学习笔记。这个系列打算分三篇来写：prompt框架、prompt迭代优化，以及prompt评测与产品构建。

今天是第二篇，重点聊聊prompt的迭代优化。

说到“提示词工程”，本质上就是怎么优化你给模型的输入指令，让它输出你想要的结果。这个过程其实很像训练一个算法模型——没人能一次写出完美的指令，核心就两步：不断迭代，持续评测。

内容上迭代指令

先从内容层面入手，看看有哪些迭代方向。

：不同的角色设定，能给模型提供不同的上下文语境。比如，同样一个任务，你让模型扮演保险业务专家来执行，它的输出风格和信息侧重点就会完全不同。多试试不同角色，往往能找到最契合的那个。

：指令里的关键动作词，试着换换近义词或更精准的描述。尤其是那些业务场景中的动词和名词，措辞的细微调整，可能带来输出质量的明显提升。

：尽量避免“不要输出A”“不能出现B”这类否定式指令。更好的做法是告诉模型“应该输出什么”，用具体、正向的描述来引导。比如，与其说“不要解释”，不如说“直接输出结果”。

：把完整的思考逻辑拆解清楚，一步步交给模型。尤其在可能需要输出“无”或“空值”的场景，必须明确告诉模型在这种情况下该怎么做，否则它很可能会自由发挥，编造一些不存在的“事实”。

：指令的核心作用是引导模型正确输出，而不是用僵化的规则去约束它。那些需要硬性规则才能解决的问题，更适合用传统的规则程序来处理，搁prompt里反而会适得其反。

：给模型提供示例时，要把握好分寸。要么每个类别都均匀加示例，要么就都不加。如果示例数量比较多，可以考虑引入向量数据库做动态few shot——根据当前输入实时匹配最相关的样例。前提是你得先有一套高质量的样本集和评测集。

结构上迭代指令

内容之外，指令的组织形式同样影响效果。

的价值在于：避免模型将用户输入和指令本身混淆，将不同模块的上下文信息做清晰区分，同时也能有效防御用户注入无关指令。常见的做法就是用```、###等符号把指令块、输入文本、输出格式等隔开。

的写法，一方面帮助模型理解每个独立任务，按你的指令逻辑逐条执行；另一方面也给开发者自己提供便利——符合顺序的逻辑便于逐条编写测试和后续迭代维护。

的讲究在于：模型先看到的内容，会直接影响它对后续信息的处理方式。可以尝试调换指令的先后顺序，观察输出的变化，找到最佳的提取效果。

的原则是尽量平铺直叙，避免多层逻辑嵌套。模型对复杂嵌套的理解能力有限，简单直接的表达往往效果更好。

方面，研究表明指令放在输入的开头和结尾效果较好。具体怎么安排，可以根据输入文档的长度和指令的复杂程度灵活尝试。

指令工程实战

说完了方法论，来看两个具体的实战案例。

案例一：用户情绪识别

需求很明确：让模型识别用户文本中的情绪倾向。

迭代过程是这样的——

• v1 → v2
  ：引入COT（思维链），让模型在输出中逐步说明它是如何判断情绪的。

• v2 → v2.1
  ：进一步优化语言表达，确保指令清晰明确。

• v2.1 → v3
  ：从结构层面重新组织指令，让逻辑更顺畅。

• v3 → v3.1
  ：给每个情绪分类都加上了few shot示例。

• v3.1 → v3.2
  ：最后对输出格式做了强制约束，确保结果规范统一。

案例二：内容提取

需求是从文本中提取特定信息。

迭代路径同样一步步走下来——

• 从最初的v1版本开始，先定义好要提取的修辞手法，明确输出KV格式。
• 接着把prompt拆分开，为不同模块赋予对应角色。
• 再补充每种修辞手法的关键特征，要求模型分析原因。
• 优化任务描述中的动词，让指令更精准。
• 添加正向示例，并用引号强调关键信息。
• 最关键的一步：加入反面示例，告诉模型“什么样的情况不算”。
• 引入COT，让模型分步骤推理分析。
• 最后通过输出引导和调整示例顺序，进一步稳定输出质量。

两个案例的迭代逻辑是相通的：内容到结构，从粗到细，从正向示例到反面约束，每一步都在缩小模型的理解偏差，让输出越来越接近预期。